如果你相信那些瘋狂的炒作，那么人工智能即將幫我們系鞋帶、經營生意，并解決世界饑餓問題。麥肯錫預測，它每年將為全球經濟貢獻17.1萬億至25.6萬億美元。這是一個誘人的愿景，也可能是幻覺。它的結局很少像預告片承諾的那樣。我們花了75年時間探究機器能否思考。或許現在更應該思考的是我們能否思考。

是的，人工智能很強大。是的，它將改變我們的生活和工作方式。但這種轉變在短期內將比炒作所暗示的更慢、更混亂，而且利潤遠不及預期。許多公司在人工智能領域投入了數十億美元，卻沒有明確的投資回報率。像Meta和Deep Seek這樣的開源模型正在迅速侵蝕其他大型科技公司基礎模型（例如Gemini和ChatGPT）的競爭優勢。而新一代人工智能的商業模式潛力無限，但卻缺乏清晰的可持續收入路徑。

人工智能的變革性影響終將到來，但它不會像我們想象的那樣，帶來立竿見影的革命。關于人工智能如何創造價值以及它需要多長時間，我們存在六個根本性的錯誤認識。

01

AI 的真正影響將比我們想象的要長得多

1987年，經濟學家羅伯特·索洛曾有句名言：“計算機時代無處不在，唯獨生產力統計數據無法體現。”幾十年后，人工智能再次印證了這一悖論。盡管投入了數十億美元，但可衡量的效率提升仍然難以實現。堪薩斯城聯邦儲備銀行發現，迄今為止，與以往技術驅動的變革相比，人工智能對生產力的影響尚不顯著。

這不是人工智能的失敗，而是預期落空。像大型語言模型這樣的生成式人工智能是一種通用目的技術 (GPT)。（盡管 ChatGPT 中的“GPT”代表其他含義。）我們之前見過許多 GPT——印刷機、電力、互聯網——它們都遵循相同的模式。在每種情況下，它們的變革潛力都需要幾十年的時間才能真正對經濟產生影響。電力徹底改變了制造業，但工廠設計卻花了 40 年時間才趕上。互聯網早在 20 世紀 70 年代就已存在，但直到 21 世紀初它才改寫了商業模式。

有充分的理由相信，人工智能也將遵循同樣緩慢但不可避免的軌跡。例如，麻省理工學院經濟學家、諾貝爾獎獲得者達隆·阿西莫格魯（Daron Acemoglu）認為，未來十年只有5%的任務能夠實現盈利性的自動化，僅為美國GDP貢獻1%，這與許多人預期的巨大轉變相去甚遠。他認為，挑戰在于，對于大多數組織而言，顛覆、再培訓、集成和計算的成本將超過大多數任務的回報。

此外，我們已經摘取了數字化轉型唾手可得的果實——自動化運營工作、數字化信息、將客戶轉移到線上以及將核心基礎設施遷移到云端。這些早期的勝利帶來了效率的提升。但每一次新的飛躍都帶來了收益遞減，這使得人工智能——或任何技術——更難推動整個經濟的生產力增長。盡管智能手機、社交媒體和云計算等技術取得了突破性進展，但美國全要素生產率 (TFP) 增長 50 年來一直低迷。從 1974 年到 2024 年，TFP 增長率還不到戰后繁榮時期的一半。人工智能可能會提高個人生產力，但它不會在短期內帶來大規模的生產力增長——如果有的話。美國國家經濟研究局最近的一項研究展示了采用率和強度的差異。他們表明，雖然 40% 的美國成年人使用生成人工智能，但大多數人并不經常使用。這種不頻繁的使用只占總工作時間的 1-5%。與用戶估計的節省時間相結合，這將導致生產率提高不到 1%。

這并不意味著人工智能毫無用處。它的價值并非源于全面而即時的顛覆，而是源于有針對性的、經過深思熟慮的整合。追求短期時間和快速的投資回報，可能會帶來資金浪費、自動化失敗以及不必要的勞動力中斷的風險。相反，企業應該著眼于長遠目標：構建合適的系統，培訓團隊，并探索如何讓人工智能服務于您的業務。

02

我們對企業采用 AI 非常樂觀

ChatGPT 一經推出，人工智能就像魔法般，一夜之間就掀起了一場革命。財報電話會議上，人工智能的話題鋪天蓋地。風險投資也隨之加速發展。各大媒體頭條都宣稱人工智能的變革將瞬息萬變，無所不包。我們之前就見過這種過熱的炒作周期——早期的個人電腦、互聯網泡沫、區塊鏈熱潮，甚至云計算的早期——而我們很可能會再次犯下這樣的錯誤。

我們誤判技術變革源于三種認知偏差。計劃謬誤使我們低估了轉型所需的時間。樂觀偏差使我們確信采用技術將會一帆風順。近因偏差使我們相信人工智能在消費者群體中的病毒式普及將無縫轉化為企業應用。盡管人們對人工智能的偏差心存疑慮，但我們往往忽視了自己的偏差，這在企業應用方面尤其如此。企業人工智能并非即插即用。它與過時的系統、監管障礙、規避風險的企業文化、人工智能人才短缺以及采購瓶頸相沖突。這些障礙并非技術性的，而是系統性的。我們花了100年的時間才給行李箱裝上輪子，不要低估平衡技術傳播速度的力量。

IBM Watson Health 是一個警示故事。IBM 承諾“智勝癌癥”，押注人工智能將改變醫療保健。但到了 2022 年，Watson 卻被拆分出售，其潛力被混亂、碎片化的醫療數據、繁瑣的監管程序以及現實世界的復雜性所扼殺。醫院發現它不可靠，醫生發現它不實用，倫理方面的擔憂也日益加劇。Watson 的失敗并非源于人工智能，而是因為 IBM 低估了其在現實世界中實施的難度。

人工智能將改變各行各業，只是速度遠不及硅谷。它將按照企業時間發生：比大多數人預期的更長、更慢，而且摩擦也更大。那些受偏見影響、忽視這些現實的公司將浪費資源、過度承諾結果，并侵蝕信任。人工智能的贏家不會是那些做出最大膽承諾的人。他們會是那些有耐心去創造真正持久變革的人。

03

市場高估了 AI 公司的價值

投資者在人工智能領域犯了一個嚴重的錯誤：他們把人工智能公司視為高增長、輕資產的軟件公司，而實際上，它們是資本密集型、高成本、基礎設施密集型的。以人工智能為主導的科技股的股價溢價高達20%至40%，而這些溢價是基于未來利潤尚未實現的假設。

對于高管而言，這種脫節不僅僅是對市場的誤讀，更是執行陷阱。過高的估值設定了不切實際的期望，這些期望會逐漸滲透到企業中：企業面臨著快速行動的壓力，需要嘗試一些炫酷的產品，需要被外界視為“在做人工智能”。結果如何？倉促上線，優先級錯位，以及投資于“奇跡”而非利潤表現。在一個追求奇跡的市場中，真正的優勢在于克制——領導者優先考慮整合而非炫耀，優先考慮長期價值而非短期可見性。

以OpenAI為例。它正在追逐3000億美元的估值——相當于Facebook IPO時的兩倍，谷歌IPO時的八倍（經通脹調整后）。投資者將其定價為一家利潤率不斷擴大的云軟件公司。但人工智能并非SaaS。OpenAI的成本不會隨著規模的擴大而縮減，而是會隨著需求的增加而上升。每個查詢都有價格。每個客戶都會增加成本。OpenAI本身預計2024年營收37億美元，虧損50億美元。

問題在于，人工智能對基礎設施的需求驚人。Meta、Alphabet、亞馬遜和微軟今年計劃投入總計 3000億美元 。現金流量表和公開聲明的分析顯示，這些公司在人工智能方面的資本支出在短短兩年內增長了40%至60%。僅微軟一家公司，今年的支出就高達 800億美元 。到2028年，微軟的計算需求 可能與整個國家的 電力需求相當。這些基礎設施建設預計每年將造成1250億美元的收入缺口。

競爭進一步擠壓了人工智能的利潤空間。LLaMA、Mistral 和 DeepSeek-V3 等開源模型正在迅速蠶食市場份額。Meta 的 LLaMA 3 已覆蓋Instagram、WhatsApp 和 Facebook 等平臺上超過 10 億用戶，且對消費者而言無需支付任何費用。與此同時，OpenAI 則按每位用戶付費，缺乏內置的分發生態系統。人工智能的商品化速度比以往任何技術周期都快，就連OpenAI 的董事會主席也承認了這一點。

對于行業領導者來說，其影響是切實而直接的。許多公司正在基于其AI商業模式可能不可持續的公司構建的工具做出高風險的投資決策。如果這些合作伙伴面臨成本超支、研發放緩或徹底倒閉，企業路線圖可能會在實施過程中陷入停滯。風險不僅在于財務，還在于運營。

人工智能的真正贏家并非那些追逐高估值的公司，而是那些將人工智能融入到能夠創造持久經濟優勢的領域——例如加快業務決策周期、提升決策質量或重塑產品——并帶來可衡量的投資回報率。人工智能的轉型將是對領導力耐力的考驗，而非投機。

04

真正的錢并不在模型中

即使AI模型公司盈利，也無法捍衛自己的優勢。AI最大的突破——比如神經網絡和注意力機制——都只是數學，而數學是無法獲得專利的。

這就是發明與創新之間的關鍵區別。發明帶來了突破——變壓器架構、新穎的算法。但規模化創新需要更多：分銷、利潤和市場契合度。人工智能的真正考驗不在于我們能否創造出新的東西，而在于我們能否將其足夠深入地嵌入到商業系統中，從而產生持久、可衡量的價值。

這就是為什么模型無論多么先進，都無法守住護城河。開源協作和政府支持的研究將繼續推動人工智能走向商品化。一旦人工智能變得廉價且無處不在，就沒有人會擁有它了。真正的價值不在于構建人工智能，而在于使用它。它在于應用程序，而不是模型。

人工智能已經開始走向“邊緣”，從云端轉移到用戶無需付費訪問的個人設備。Apple Intelligence 雖然還處于市場早期階段，但已經嵌入到 iPhone 中。一些 Meta LLaMA 模型可以在筆記本電腦上運行。

這與云計算的發展軌跡如出一轍。投資者最初押注的是基礎設施——AWS、Azure、谷歌云。但隨著時間的推移，贏家并非云“基礎設施”提供商，而是將云嵌入業務流程的應用公司。高盛預計，到2030年，云基礎設施市場規模將達到5800億美元，而云應用市場規模將達到1.38萬億美元，是其兩倍多。人工智能也理所當然地會遵循同樣的模式。

應用程序將人工智能從理論轉化為現實，從實驗室走向客戶。將模型轉化為真正的商業解決方案是一項工程挑戰，遠不止運行一個帶有聊天功能的模型。那些利用定制人工智能架構解決復雜行業特定問題的公司，才能創造最持久的價值。隨著 AI Agent 在各行各業的涌現，這種轉變已經開始。Harvey是一位人工智能律師。Glean是一位人工智能工作助理。Factory是一位人工智能軟件工程師。Abridge是一位人工智能醫療記錄員。

人工智能的真正價值在于將依賴人類的服務轉變為可擴展、始終在線的應用程序。這正是企業應該關注的重點——不是構建模型，而是精準地應用它們。機遇不在于創造下一個通用技術（GPT），而在于將人工智能嵌入到業務的骨干環節——產品設計、運營、合規、人力資源、財務——在這些環節中，細微的改變將積少成多。

太多企業認為基礎模型就能帶來開箱即用的價值。但如果不認真投資于應用、集成、數據基礎設施、工作流程重新設計和變更管理等關鍵環節，人工智能就只能停留在浮華的原型階段：演示中令人印象深刻，但在規模化應用上卻毫無成效。諷刺的是，最終勝出的公司將是那些讓人工智能變得枯燥乏味的公司：無縫嵌入、始終可靠，并在實際工作中悄然變革。

05

我們對初創企業的索引已經過多

市場炒作主要集中在人工智能初創企業身上，但大型企業在企業領域才擁有真正的優勢。人工智能的意義不在于顛覆，而在于分銷。

看看微軟的 Teams。微軟并沒有打造出最好的視頻會議工具——Zoom 做到了。但微軟通過將 Teams 捆綁到 Office 365 中，在企業市場贏得了勝利。企業選擇 Teams 并不是因為它更好，而是因為它已經存在。同樣的策略正在人工智能領域上演。

初創公司或許能推動創新，但老牌企業卻掌控著企業預算、IT集成和分銷。微軟、谷歌和Salesforce并不需要最好的AI模型——他們只需要足夠優秀的AI，并無縫嵌入到現有的企業堆棧中。這就是AI應用的本質——誰掌控了企業和消費者工作流程，誰就能勝出。

這就是為什么人工智能并非又一個電子商務顛覆故事。20世紀90年代末，像PayPal、亞馬遜和eBay這樣的網絡新貴，正是因為互聯網創造了公平的競爭環境，才推翻了實體巨頭。但人工智能不同。它并非低成本、高速的顛覆。它是資本密集型的，對基礎設施要求很高，并且有利于規模化。而大型科技公司已經掌握了數據、計算能力和企業關系。

最后一點至關重要。專有的實時企業數據是人工智能的最后一道真正的護城河。如今的人工智能模型基于300萬億個公開文本進行訓練，但這些數據正在枯竭。Epoch AI估計，在2026年至2032年之間，開發人員將面臨瓶頸——剩余的高質量公共訓練數據將不足。

大型企業擁有優勢，但這并非必然。他們掌握著分銷渠道、企業關系以及初創公司夢寐以求的專有數據。然而，沒有行動的優勢只會成為惰性。現在是時候加倍努力了：將人工智能融入現有系統，將數據作為戰略資產加以利用，并在能夠提升速度或精準度的領域尋求合作伙伴。這并不是為了追逐下一個大趨勢，而是為了將上一個大趨勢轉化為規模效益。

06

我們癡迷于生成性 AI，但它并不是未來

我們專注于生成式人工智能，但未來并非僅限于基于聊天的模型。如今的人工智能擅長匯總報告和起草電子郵件，但在應對現實世界的復雜性方面卻舉步維艱。它缺乏態勢感知、復雜推理能力，以及實時整合多種變化信息的能力。

這就是為什么人工智能在醫學和物流等領域的采用滯后——這些領域的決策需要的不僅僅是歷史文本。聊天機器人可以起草合同，但它無法診斷每一位患者，也無法優化故障的供應鏈。

下一個發展方向是多模態人工智能和復合人工智能系統——能夠處理多種輸入類型并像人類認知一樣協同工作的技術。自動駕駛汽車不依賴單一數據源；它集成了激光雷達、雷達、GPS 和實時傳感器來導航。人工智能也需要這樣做，將分析視覺、聲音、文本和實時數據的模型進行分層。

復合人工智能系統則更進一步，將多種模型結合起來，創造出能夠自主學習、規劃和行動的智能。如今，人工智能各自為政——一個模型生成文本，另一個模型檢測欺詐。未來的人工智能將像一群專家協同工作一樣，協調這些能力。

這標志著企業需要提前規劃。當前的人工智能工具可以帶來一些優勢，但這些優勢相對較小。領導者應避免過度投資于單一用途的解決方案，并開始構建能夠支持集成式多模式系統的基礎設施。這意味著要投資于能夠隨著技術發展而不斷發展的數據架構、工作流程靈活性和人工智能治理。

人工智能的未來并非在于打造一個更強大的聊天機器人，而是在于設計出能夠協同觀察、聆聽、分析和行動的系統——能夠大規模地與復雜的現實世界同步。

07

我們能夠對機器進行智能思考嗎？

1950年，艾倫·圖靈提出了一個如今已為人熟知的問題：“機器能思考嗎？ ” 75年后，我們評估人工智能的標準是其推理、預測和生成能力。或許，是時候用同樣的眼光審視我們自己了。

現在，我們正集體陷入幻覺，做出錯誤的選擇，設定錯誤的優先級，并制定不切實際的時間表。各大公司將人工智能視為靈丹妙藥，投入數十億美元用于模型開發，卻忽視了更艱巨的集成、基礎設施建設和真正的商業價值。

最終，市場將決定哪些公司和行業能夠抓住人工智能的價值。但有一點是肯定的：人工智能的普及將削弱其排他性。其影響不在于誰擁有它，而在于我們如何使用它。

圖靈最初的問題至今仍具有現實意義。但今天，更重要的問題是：“我們能否對機器進行智能思考？” 對于企業領導者而言，這意味著將關注點從潛力轉向績效。這意味著少問“人工智能可能做什么”，多問“它在你的企業中實際發揮了什么”。這意味著構建人工智能是為了持久發展，而非為了成為頭條新聞——投資于能夠將今天的工具轉化為明天競爭優勢的架構、人才和系統。

免責聲明：

本文所發布的內容和圖片旨在傳播行業信息，版權歸原作者所有，非商業用途。如有侵權，請與我們聯系刪除。所有信息不構成任何投資建議，加密市場具有高度風險，投資者應基于自身判斷和謹慎評估做出決策。投資有風險，入市需謹慎。

設為星標 避免錯過

虛擬世界沒有旁觀者，每個點贊都是創造歷史的像素

關注我，一起探索AWM?

2025-07-04

2025-07-03

2025-07-02

商業贊助

點擊下方 “目錄” 閱讀更多